配电网暂态电能质量扰动的定位与识别研究

，,2，，

(1.湘潭大学智能计算与信息处理教育部重点实验室，湖南 湘潭 411105；2.深圳职业技术学院，广东 深圳 518055)

1 引言

目前，电压中断、电压骤降、暂态脉冲扰动、电压骤升、谐波、暂态振荡扰动和电压闪变等配电网暂态电能质量问题日益突出。因此，暂态电能质量扰动的研究和治理受到了越来越多的重视，而快速、准确地对暂态电能质量扰动定位与识别是其中的重要环节[1]。对于定位和识别暂态电能质量扰动已有很多方法。文献[2]提出三种基于数学形态学的电能质量扰动检测和定位方法，检测较为准确，但存在对某些过零点扰动检测失效的缺点，适应性和实时性较差；文献[3-4]提出S变换法对电能质量扰动进行检测与分类，仿真结果表明检测定位精度较高，分类相对准确，但S变换运算量较大，实时性难保证；文献[5]提出改进不完全S变换与决策树的方法对暂态电能质量扰动进行分类识别，从仿真结果可知扰动识别效果良好且运算时间短；此外暂态电能质量扰动的分析方法还有CWD谱峭度分析法[6]，希尔伯特-黄变换(HHT)分析法[7],奇异值分解和TLS-ESPRIT相结合的方法[8]等。本文提出一种定位扰动起止时刻和识别暂态扰动的方法，利用db4小波和BP神经网络对其进行分析。通过对暂态电能质量扰动信号的多层db4小波分解，利用模极大值点来定位分析扰动起止时刻，然后根据分解系数序列得到扰动信号能量分布序列并构造特征向量，最后利用BP神经网络来设计扰动识别器。通过与扰动起止时刻实际测量值和概率神经网络对比，db4小波对扰动起止时刻的定位速度，定位精度高，使用BP神经网络设计的扰动识别器具有更高的扰动信号识别率，验证了本文所提分析方法的正确性和有效性。

2 小波变换与暂态扰动定位方法

2.1 小波变换基本原理

(1)

式中，a，b，t为连续变量；Ψ(t)为小波母函数；Ψa,b(t)为小波基函数；R为实数集，a，b∈R且a≠0；a为尺度参数，b为平移参数。

若将式(1)中的a，b做离散化处理，则x(t)的离散小波变换定义为：

(2)

Daubecies小波具有良好的消失矩、正则度、对称性和紧支撑性[9]。因此，本文选择db4小波来定位与识别暂态电能质量扰动。设信号采样频率为fs，则频带划分数目P由下式取整求得：

(3)

本文正常电能质量信号的基频fb=50Hz，取10kHz。根据式(3)得P=6，即对信号进行小于6层的db4小波分解，考虑到实时性，本文对暂态扰动信号进行4层db4小波分解。

2.2 暂态扰动突变点与模极大值点

(4)

(5)

由式(5)可知，Ws′x(t)是信号x(t)在尺度s下由θ(t)平滑后再取一阶导数。信号x(t)的小波变换Ws′x(t)模的局部极大值点反映了信号x(t)的扰动突变点，因此可以用小波变换模极大值点来定位扰动信号突变点。

3 暂态电能质量扰动定位

在MATLAB7.1环境下，利用理想信号模型，对5种扰动进行了仿真分析，正常电压信号是频率50Hz幅值220V的正弦波。为了突出db4小波在暂态电能质量扰动定位中的速度和精度，将其与扰动起止时刻实际测量值进行了比较。图1～5为电压骤升、电压中断、电压骤降、暂态脉冲和暂态振荡扰动定位结果，表1为定位精度和算法效率比较。具体扰动信号定位步骤如下：

(1)绘制原始信号并采样：采样频率fs为10kHz，即每个周期采样200个点；

(2)小波分解：对扰动信号进行db4小波4层分解，取第一层分解高频系数序列d1；

(3)判断突变点：求d1模极大值点及其对应位置，d1模极大值所在点位置即为暂态扰动信号突变点；

(4)定位起止时刻：d1模极大时所对应的时刻即为扰动发生或结束时刻。

4 暂态电能质量扰动识别

(5)

构造特征向量P=[p1,p2,p3,p4,p5]。

图1 电压骤升及其小波分解结果

图2 电压中断及其小波分解结果

图3 电压骤降及其小波分解结果

图4 暂态脉冲及其小波分解结果

图5 暂态振荡及其小波分解结果

BP神经网络是一种由输入层、中间层和输出层组成的按误差逆传播算法训练的多层前馈神经网络。本文采用3层BP神经网络来构建扰动识别器，特征向量P中含有5个元素，因此输入层5个节点，输出层与之对应5个神经元，中间层神经元个数为12，具体网络结构如图6所示。

图6 本文使用的BP神经网络结构

扰动类型理论值/st1t2测量值/st1t2相对误差/%t1t2计算时间/s电压骤升0140020001396020052857250000363电压中断0160022001595021943125272700361电压骤降0100018001002017962000222200364暂态脉冲016701672119800259暂态震荡0162016501625016563086363600465

输入层和输出层采用S型传递函数，利用弹性反向传播算法对样本进行训练。当输入层输入一个与暂态电能质量扰动信号相对应的特征向量时，输出层输出5×1的列向量，第几行元素最大就对应第几种扰动类型，扰动类型按图(1)～(5)所示排序。

本文利用第2节中采样到的暂态电能质量扰动数据作为样本数据来对常见的5种扰动信号进行识别，其中训练样本1000个即每种扰动200个，测试样本400个即每种扰动80个，并与概率神经网络进行了对比，其识别效果如表2所示。

表2 扰动识别结果

5 结论

暂态电能质量扰动是影响配电网电能质量的重要因素之一，因此须快速、精准地定位和识别暂态电能质量扰动。本文利用db4小波和BP神经网络对电压骤升、电压中断、电压骤降、暂态脉冲和暂态振荡进行了扰动起止时刻定位和分类识别，结论如下：

(1)db4小波对扰动起止时刻定位的计算速度快、实时性强且定位精度高；

(2)扰动起止时刻理论值与实际测量值对比，相对误差小，能满足实际工程对暂态扰动起止时刻的定位需求；

(3)BP神经网络扰动识别器能对电压骤升、电压骤降和暂态脉冲100%识别，对5种常见扰动的平均识别率达到了98%，识别率高。

[1] 吴兆刚,李唐兵,姚建刚,等.基于小波和改进神经树的电能质量扰动分类[J].电力系统保护与控制,2014,42(24):86-92.

[2] 王丽霞,何正友,赵静.基于数学形态学的电能质量扰动检测和定位[J].电网技术,2008,32(10):63-68.

[3] 徐方维,杨洪耕,叶茂清,等.基于改进S变换的电能质量扰动分类[J].中国电机工程学报,2012,32(4):77-84.

[4] ZHAO Feng-zhan,YANG Ren-gang.Power-quality disturbance recognition using S-transform[J].IEEE Trans Power Delivery,2007,22(2):944-950.

[5] 郭俊文,李开成,何顺帆,等.基于改进不完全S变换与决策树的实时电能质量扰动分类[J].电力系统保护与控制,2013,41(22):103-110.

[6] 朱玲,刘志刚,胡巧琳,等.基于CWD谱峭度的暂态电能质量扰动识别[J].电力自动化设备,2014,34(2):125-131.

[7] 田振果,傅成华,吴浩,等.基于HHT的电能质量扰动定位与分类[J].电力系统保护与控制,2015,43(16):36-42.

[8] 黄奂,黄阳,陈邕安.基于奇异值分解和TLS-ESPRIT的电能质量扰动信号检测方法[J].电测与仪表,2014,51(1):64-70.

[9] 于炳新,崔涤尘,许童羽,等.小波模极大值扰动电信号检测的关键问题研究[J].中国农机化学报,2016,37(2):218-222.